prediksi beban listrik menggunakan algoritma jaringan

SEMESTA TEKNIKA Vol. 23, No.2, 143-155, November 2020 DOI : https://doi.org/10.18196/st.232264

143

Prediksi Beban Listrik Menggunakan Algoritma Jaringan Syaraf Tiruan Tipe

Propagasi-Balik

(Electricity Load Prediction Using Back-Propagation Neural Networks)

RAMADONI SYAHPUTRA, FEBRIAN DHIMAS SYAHFITRA, KARISMA TRINANDA PUTRA, INDAH SOESANTI

ABSTRAK

Artikel ini mengusulkan prediksi beban puncak menggunakan metode jaringan

syaraf tiruan tipe propagasi-balik. Prediksi beban puncak transformator tenaga

merupakan tugas penting dalam mengantisipasi pertumbuhan beban listrik di masa

mendatang. Prediksi yang tepat dan akurat akan memfasilitasi perencanaan kapasitas

pembangkit listrik yang memadai pada waktu yang tepat. Metode jaringan syaraf tiruan tipe propagasi-balik memiliki akurasi yang baik dalam tugas-tugas prediksi.

Pada penelitian ini dilakukan prediksi beban puncak pada dua buah transformator

tenaga dengan studi kasus di Gardu Induk Bumiayu, Brebes, Jawa Tengah,

Indonesia. Parameter pelatihan adalah data pertumbuhan penduduk, produk

domestik regional bruto (PDRB), dan data beban puncak selama sepuluh tahun

terakhir. Hasil penelitian menunjukkan bahwa kedua unit transformator tenaga

tersebut masih dapat melayani beban listrik di wilayah pelayanan Gardu Induk

Bumiayu selama sepuluh tahun ke depan.

Kata Kunci: Prediksi beban puncak, transformator tenaga, gardu induk, jaringan

syaraf tiruan, propagasi-balik

ABSTRACT

This article proposes a peak load prediction using the backpropagation neural

network method. Predicting the peak load of power transformers is an important

task in anticipating load growth in the future. Precise and accurate predictions will

facilitate the planning of sufficient power generation capacity at the right time. The

backpropagation type neural network method has good accuracy in the prediction

task. In this study, a case study was carried out by predicting the peak load of power

transformers at Bumiayu Substation, Brebes, Central Java, Indonesia. Training

parameters consists of population growth data, gross regional domestic product

(GRDP), and peak load data for the last ten years. The results showed that the two

power transformer units could still serve the electricity load in the Bumiayu substation service area for the next ten years.

Keywords: Peak load prediction, power transformer, substation, artificial neural

network, backpropagation

PENDAHULUAN

Energi listrik dewasa ini telah telah berperan

vital bagi umat manusia. Kemajuan suatu

negara dapat diukur dari penggunaan energi

listrik per kapitanya. Dilihat dari tingkat

urgensinya, energi listrik bahkan dapat

dikatakan energi primer pada era sekarang.

Banyak sektor kehidupan manusia yang

didukung oleh energi ini, mulai dari pekerjaan

rumah tangga, industri, komersial hingga

fasilitas umum. Indonesia sebagai negara

berkembang yang sedang giat-giatnya

membangun, termasuk negara dengan

pertumbuhan kebutuhan energi listrik yang

tergoling tinggi. Berdasarkan data Statistik

R. Syahputra, et.al./Semesta Teknika, Vol. 23, No.2, 143-155, November 2020

144

Ketenagalistrikan 2018, produksi energi listrik

nasional tahun 2018 adalah sebesar 267.085,38

GWh (Anonim, 2019). Produksi ini meningkat

4,88%, atau senilai 12.425,60 GWh

dibandingkan tahun 2017. Total kapasitas

terpasang pembangkit tenaga listrik nasional

hingga akhir tahun 2018 adalah 64.925 MW

yang terdiri dari pembangkit listrik milik PT

PLN (Persero) sebesar 40.815 MW (62,86%),

Independent Power Producer (IPP) sebesar

15.023 MW (23,14%), Private Power Utility

(PPU) sebesar 3.582 MW (5,52%), Pemerintah

sebesar 47 MW (0,07%) dan Ijin Operasi (IO)

non BBM sebesar 5.459 MW (8,41%).

Selanjutnya, total energi listrik terjual ke masyarakat pada tahun 2018 adalah 234.617,88

GWh, atau meningkat sebesar 5,15% jika

dibandingkan dengan tahun 2017. Dari total

sebesar energi tersebut, sektor rumah tangga masih mendominasi pemakaian energi listrik

yaitu 97.832,28 GWh (41,70%), kemudian

disusul sektor industri yaitu 76.946,50 GWh (32,80%), selanjutnya sektor bisnis sebesar

44.027,40 GWh (18,77%), dan sektor-sektor

lainnya yaitu sosial, gedung pemerintah dan penerangan jalan umum adalah sebesar

15.811,70 GWh (6,74%). Harga jual energi

listrik rata-rata adalah Rp 1.123,01 per kWh.

Harga jual tahun tahun 2018 ini lebih tinggi dibandung tahun 2017, yaitu sebesar Rp

1.105,11. Sementara itu, pertumbuhan

penduduk di Indonesia semakin meningkat setiap tahunnya. Berdasarkan data sensus

penduduk Badan Pusat Statistik (CSA) tahun

2010, jumlah penduduk Indonesia mencapai 237,6 juta jiwa, terdiri dari 61,4 juta rumah

tangga. Proyeksi pertumbuhan penduduk

Indonesia telah dibuat oleh CSA untuk setiap 5

tahun hingga tahun 2035, sehingga setiap 5 tahun mengalami peningkatan rata-rata sebesar

5,094% atau sekitar 1,018% per tahun. Selain

rumah tangga, perekonomian juga memiliki andil yang signifikan dalam konsumsi energi

listrik di Indonesia, karena kondisi

perekonomian yang baik akan menyebabkan

pertumbuhan pengguna energi listrik yang tinggi. Berdasarkan asumsi Rencana Umum

Ketenagalistrikan Nasional (RUKN) tahun

2019-2038, bahwa pertumbuhan ekonomi Indonesia rata-rata adalah 6,0% per tahun,

dengan rata-rata inflasi sekitar 3,5% dan

pertumbuhan penduduk 0,8% per tahun. Rasio elektrifikasi nasional adalah 99,9% pada tahun

2019 dan tahun 2020 ini ditargetkan 100%

(Jonan, 2019). Peningkatan jumlah penduduk

dan perkembangan sisi ekonomi harus

berbanding lurus dengan ketersediaan listrik di

Indonesia. Ketersediaan energi listrik yang cukup dapat mempengaruhi kualitas hidup

masyarakat, karena dari sisi fungsional energi

listrik ini digunakan sebagai penunjang operasional suatu industri atau badan usaha,

fasilitas umum bahkan rumah tangga. Dapat

dipastikan jika energi listrik yang ada tidak mampu memenuhi kebutuhan, pertumbuhan

ekonomi akan terhambat, dan tingkat kepuasan

masyarakat dalam hal pelayanan energi listrik

akan berkurang.

Dalam penyaluran energi listrik terdapat gardu

induk yang berfungsi sebagai pengatur aliran

tenaga listrik untuk disalurkan ke pelanggan. Di dalam gardu induk terdapat komponen utama

yaitu transformator tenaga yang berfungsi untuk

mentransformasikan tenaga listrik dengan mengubah tegangan kerja sistem (Syahputra,

2017a). Kapasitas transformator tenaga gardu

induk perlu diperhatikan dan diperhatikan, hal

ini bertujuan agar daya transformator dapat mencapai kapabilitas dalam memenuhi

kebutuhan listrik konsumen. Semakin besar

beban yang ditanggung oleh transformator tenaga maka semakin lama beban yang

ditanggung akan melebihi kapasitas

transformator (Tamizharasi, 2014). Hal ini akan

menyebabkan transformator mengalami overload dan berdampak pada penurunan

kualitas pelayanan energi listrik kepada

pelanggan. Atas dasar terpenuhinya energi listrik yang sesuai dengan kebutuhan dan

memiliki kualitas pelayanan yang baik, maka

penyedia energi listrik harus mempunyai prediksi beban puncak transformator pada

tahun-tahun selanjutnya (Huang dkk, 2020).

Prediksi beban ini bermanfaat untuk mencapai

kapabilitas transformator dalam beberapa tahun ke depan dan juga penyedia energi listrik dapat

melakukan antisipasi dini kemungkinan

penggantian transformator baru. Oleh karena itu, perlu dilakukan prediksi beban puncak

transformator (Deng dkk, 2019).

Beberapa metode prediksi beban puncak telah dikembangkan oleh para peneliti, di antaranya

metode Resident Behaviour Learning (Kong

dkk, 2017), metode Gray Neural Network (Li

dkk, 2017), metode berbasis probabilistic (Wang dkk, 2018a), metode Ensemble

Forecasting (Wang dkk, 2018b), metode deep

residual neural network (Chen, 2018), metode hybrid (Park dkk, 2019), metode gabungan


145

deterministic dan probabilistic (Feng dkk,

2019), metode Copula Model and Deep Belief

Network (Ouyang dkk, 2019), metode Deep

Learning (Hong dkk, 2019), metode Deep-Based Conditional Probability Density

Function (Afrasiabi dkk, 2020), metode Hybrid

Ensemble Deep Learning (Cao dkk, 2020), metode wavelet (Alfieri dan Falco, 2020) dan

metode jaringan saraf tiruan (JST) (Kong dkk,

2019). Metode JST adalah sistem yang didasarkan pada cara kerja jaringan saraf

manusia. Metode JST memiliki banyak varian,

yaitu metode umpan-maju, RBF, recurrent, dan

propagasi-balik (backpropagation).

Berdasarkan penelusuran pustaka terkait

metode-metode yang digunakan dalam prediksi

beban listrik, maka metode jaringan syaraf tiruan (JST) tipe propagasi-balik

(backpropagation) memiliki beberapa

keunggulan dibandingkan dengan metode-metode lain. Metode ini dipilih karena

keunggulannya dalam akurasi yang tinggi

dalam tugas-tugas prediksi. Oleh karena itu

dalam penelitian ini digunakan metode JST tipe propagasi balik untuk prediksi beban puncak

transformator tenaga.

Tujuan penelitian ini adalah mengembangkan prosedur pembentukan jaringan syaraf tiruan

(JST) tipe propagasi-balik untuk prediksi beban

puncak transformator tenaga pada gardu induk,

dengan studi kasus pada Gardu Induk Bumiayu, kabupaten Brebes, Jawa Tengah. Tujuan

lainnya adalah merancang, membangun, dan

menganalisis model beban puncak transformator tenaga berbasis sistem prediksi

GUI Matlab menggunakan metode JST tipe

propagasi-balik. Hasil penelitian ini diharapkan dapat dijadikan sebagai acuan bagi penyedia

energi listrik di Indonesia dalam merencanakan

penambahan kapasitas transformator tenaga

guna mengantisipasi pertumbuhan beban listrik pada tahun-tahun mendatang.

METODE PENELITIAN

Algoritma Jaringan Syaraf Tiruan Tipe Propagasi-Balik

Algoritma jaringan syaraf tiruan (JST)

merupakan algoritma kecerdasan buatan yang

memiliki kemampuan untuk mempelajari dan

menghimpun pengetahuan hasil belajar dalam jaringan selnya (neuron) sehingga

memungkinkan jaringan secara keseluruhan

menjadi lebih cerdas dalam merespon masukan

yang diberikan (Siang, 2009). Kemampuan

untuk mempelajari dan mengakumulasi

pengetahuan ini memungkinkan sistem jaringan saraf tiruan untuk beradaptasi dengan

lingkungan yang memberikan masukan kepada

mereka. Layaknya otak manusia dalam merespon kondisi lingkungan yang berbeda,

peran JST dalam bidang penelitian dan

pengembangan sangat penting kedepannya yang menuntut aspek otomasi dan aspek interaktif

antara alat dan manusia. Sistem JST ditentukan

oleh tiga faktor dalam operasinya yaitu

arsitektur jaringan yang menentukan pola hubungan antar neuron, pembelajaran atau

pelatihan yang menentukan bobot penghubung,

dan fungsi aktivasi.

GAMBAR 1. Arsitektur algoritma jaringan syaraf tiruan

tipe propagasi-balik

Dalam JST, neuron dikumpulkan menjadi

lapisan yang disebut neuron. Setiap lapisan

akan terhubung satu sama lain, baik dengan

lapisan sebelumnya maupun dengan lapisan berikutnya. Informasi akan disebarkan dari satu

lapisan ke lapisan berikutnya. Salah satu tipe

JST adalah propagasi-balik (backpropagation). Algoritma propagasi-balik merupakan

algoritma pembelajaran yang diawasi dan

digunakan oleh banyak lapisan perceptron


146

untuk mengubah bobot yang terhubung ke

neuron pada lapisan tersembunyi. Algoritma

propagasi-balik menggunakan keluaran error

untuk mengubah nilai bobotnya ke belakang. Untuk mendapatkan error ini, maka terlebih

dahulu harus dilakukan tahap umpan maju.

Gambar 1 menunjukkan arsitektur algoritma JST tipe propagasi-balik.

Algoritma ini disebut sebagai propagasi balik

karena ketika sebuah JST diberi pola masukan sebagai pola pelatihan, pola tersebut masuk ke

unit di lapisan tersembunyi untuk diteruskan ke

unit lapisan keluaran. Jadi unit lapisan keluaran

memberikan respon yang disebut keluaran JST. Jika keluaran JST tidak sama dengan keluaran

yang diharapkan, keluaran tersebut akan

disebarkan ke belakang pada lapisan tersembunyi yang diteruskan ke unit di lapisan

masukan. Oleh karena itu mekanisme pelatihan

disebut propagasi mundur. Propagasi mundur memiliki beberapa unit yang berada dalam satu

atau lebih lapisan tersembunyi. Pada

backpropagation, fungsi aktivasi yang

digunakan harus memenuhi beberapa syarat, yaitu: kontinyu, mudah terdiferensiasi dan

merupakan fungsi yang tidak turun. Salah satu

fungsi yang memenuhi ketiga syarat tersebut sehingga sering digunakan adalah fungsi

sigmoid biner berjangkauan (0, 1) yang

digunakan dalam penelitian ini.

Prediksi Beban Puncak Transformator Tenaga pada Gardu Induk

Gardu Induk dapat diartikan sebagai instalasi

listrik yang terdiri dari beberapa peralatan listrik yang berfungsi untuk

mentransformasikan listrik tegangan tinggi

menjadi tegangan menengah, sebagai alat ukur, pengendalian operasi dan pelaksanaan fungsi

proteksi sistem, serta pengaturan daya ke gardu

induk lain melalui tegangan tinggi dan

transformator distribusi melalui pengumpan tegangan menengah. Dalam istilah lain gardu

induk adalah stasiun pengumpul energi listrik

dari suatu sistem pembangkit atau sistem transmisi yang terdiri dari transformator tenaga,

pemutus daya, sakelar pemisah, stasiun bus,

reaktor pembatas arus, transformator arus, transformator tegangan, kapasitor kopling,

kapasitor transformator tegangan, petir. arrester,

relay proteksi, baterai, dan perangkat

pendukung lainnya.

Salah satu peralatan terpenting di gardu induk

adalah transformator tenaga. Transformator

tenaga adalah alat yang digunakan untuk

mentransformasikan tenaga listrik dengan cara

menaikkan atau menurunkan tegangan listrik,

tetapi dengan frekuensi tetap pada sisi primer dan sekunder. Pada transformator tenaga ini

terdapat Neutral Current Transformer (NCT)

yang berfungsi sebagai pelindung gangguan bumi dengan mengukur arus yang mengalir

pada titik netral transformator tenaga.

Pembebanan transformator atau sering disebut faktor beban transformator diperoleh melalui

hasil pembagian antara perkiraan beban puncak

dan kapasitas transformator (Chen dkk, 2019).

Nilai kapasitas transformator dapat dilihat langsung pada datasheet transformator yang

digunakan. Idealnya faktor beban suatu

transformator berkisar antara 60% - 80% yang dikategorikan sebagai beban optimal (Haq dan

Ni, 2019). Jika transformator dibebani <60%

dari kapasitasnya, transformator dikatakan membawa beban yang ringan. Jika

transformator dibebani dengan kapasitas 80% -

100% maka transformator dikatakan membawa

beban yang berat. Selanjutnya jika transformator tenaga dibebani >100% dari

kapasitasnya, dikatakan transformator tersebut

kelebihan beban. Gambar 2 menunjukkan transformator tenaga 60 MVA di gardu induk

Bumiayu, Jawa Tengah, Indonesia.

GAMBAR 2. Transformator tenaga 60 MVA di gardu

induk Bumiayu, Jawa Tengah, Indonesia

Berdasarkan sifat datanya yang digunakan sebagai objek prediksi, maka prediksi secara

garis besar dibagi menjadi kualitatif dan

kuantitatif (Li dkk, 2019). Prediksi kualitatif berkaitan dengan data yang tidak numerik atau

lebih merupakan pernyataan atau pendapat.

Sedangkan prediksi kuantitatif berdasarkan pengukuran menggunakan data numerik.

Prediksi beban transformator dapat

dikategorikan sebagai prediksi kuantitatif.


147

Sedangkan prediksi kuantitatif ini dapat

diterapkan jika tiga kondisi berikut ini

terpenuhi:

1) Informasi tentang masa lalu tersedia

2) Informasi dapat dikuantifikasi dalam

bentuk data numerik

3) Dapat diasumsikan bahwa beberapa aspek dari pola masa lalu akan berlanjut

di masa depan.

Lebih mengacu pada prediksi kuantitatif, metode ini memiliki 2 model prediksi utama

yaitu model seri periodik dan model kausal.

1) Dalam model seri periodik, estimasi

masa depan dilakukan berdasarkan nilai variabel masa lalu dan / atau kesalahan

masa lalu. Ini bertujuan untuk dapat

menemukan pola dalam rangkaian data historis dan mengekstrapolasi pola

tersebut ke masa depan.

2) Dalam model kausal, faktor yang diprediksi menunjukkan hubungan

kausal dengan satu atau lebih variabel

independen. Tujuan dari model kausal

ini adalah untuk menemukan bentuk hubungan dan menggunakannya untuk

memprediksi nilai variabel dependen di

masa mendatang.

Kedua model di atas memiliki keunggulan

masing-masing tergantung kondisi tertentu.

Model seri periodik ini bagus untuk prediksi.

Sedangkan model kausal dapat digunakan dengan lebih sukses untuk pengambilan

keputusan dan kebijaksanaan.

Di bidang ketenagalistrikan, prediksi biasanya berupa prediksi beban yang meliputi prediksi

beban puncak (MW) dan prediksi kebutuhan

energi listrik (MWh). Prediksi berdasarkan rentang waktu tersebut dapat dikelompokkan

menjadi tiga kategori, yaitu jangka pendek,

jangka menengah, dan jangka panjang. Hasil

prediksi ini dapat digunakan sebagai bahan pertimbangan untuk membuat rencana

pemenuhan ketersediaan listrik dan

pengembangan penyediaan tenaga listrik yang sesuai dengan kebutuhan beberapa tahun ke

depan.

Secara umum metode prediksi beban listrik yang sering digunakan oleh penyedia tenaga

listrik dibedakan menjadi 5 yaitu:

1) Metode Analitik, dimana metode ini

disusun berdasarkan analisis data

pemakaian akhir listrik oleh pelanggan.

2) Metode ekonometrika, dimana metode

ini disusun berdasarkan prinsip

ekonomi dan statistik.

3) Metode time series, dimana metode ini

disusun berdasarkan relasi data historis.

Dimana hal ini berdasarkan fakta bahwa kejadian atau data yang telah

terjadi akan terulang kembali dengan

pola yang sama.

4) Metode Gabungan, dimana metode ini terdiri dari beberapa metode (biasanya

kombinasi analitik dan ekonometri).

Metode ini mempertimbangkan lebih banyak variabel yang dapat

mempengaruhi hasil prediksi seperti

aktivitas ekonomi, kemajuan teknologi, kebijakan pemerintah, aktivitas sosial

dan demografi.

5) Metode regresi, dimana metode ini memberikan asumsi bahwa faktor-

faktor yang diprediksi menunjukkan

adanya hubungan kausal dengan satu atau lebih variabel independen.

Tujuannya adalah untuk menemukan

bentuk hubungan dan menggunakannya

untuk memprediksi nilai variabel dependen di masa depan.

Dalam penelitian ini metode prediksi beban

yang digunakan adalah metode berbasis

kecerdasan buatan yaitu Jaringan syaraf tiruan

tipe perambatan balik.

HASIL DAN PEMBAHASAN

Dalam penelitian ini obyek utama yang dipilih

sebagai lokasi penelitian adalah Gardu Induk

Bumiayu yang terletak di Jalan Raya

Paguyangan Bumiayu, Kabupaten Brebes,

Provinsi Jawa Tengah, Indonesia. Gardu Induk

Bumiayu merupakan salah satu gardu induk

milik PT. PLN UPJ Bumiayu. Gardu Induk

Bumiayu telah terinterkoneksi dengan beberapa

Gardu Induk lain seperti Gardu Induk Kebasen,

Gardu Balapulang, dan Gardu Kalibakal. Hal

ini dimaksudkan agar setiap gardu induk saling

membackup daya listrik jika terjadi gangguan


148

pada salah satu penyulang pada gardu induk

yang bersangkutan.

Gardu Induk Bumiayu memiliki dua buah

transformator yaitu Transformator 1 60 MVA

kapasitas 150/20 KV dan 30 MVA 150/20 KV

Transformator II. Sebelumnya Transformer 1

hanya berkapasitas 16 MVA hingga pada tahun

2016 diubah menjadi transformator dengan kapasitas 60 MVA. Transformasi transformator

yang berlangsung memakan waktu 3 bulan dan

selama itu beban sementara mendapat suplai

dari transformator tenaga bergerak. Selain Gardu Induk Bumiayu, data dalam penelitian

ini juga diperoleh dari Badan Pusat Statistik

Kabupaten Brebes. Badan tersebut adalah badan yang bertanggung jawab atas data

kependudukan di Kabupaten Brebes, Provinsi

Jawa Tengah, Indonesia. Data yang diperoleh dari instansi tersebut adalah data pertumbuhan

penduduk dan Produk Domestik Regional Bruto

(PDRB) setiap tahun, dari tahun 2011 sampai

tahun 2017. Data beban puncak transformator

tenaga di Gardu Induk Bumiayu ditunjukkan

pada Tabel 1.

Pembentukan model prediksi ini membutuhkan

beberapa variabel yang dapat mempengaruhi nilai prediksi beban puncak transformator

dalam beberapa tahun ke depan. Oleh karena

itu, dibutuhkan data demografi di Kabupaten Brebes, Provinsi Jawa Tengah. Data demografi

ini terdiri dari data pertumbuhan penduduk dan

Produk Domestik Regional Bruto (PDRB) Kabupaten Brebes. Data tersebut diperoleh dari

Badan Pusat Statistik Kabupaten Brebes. Data

penduduk Kabupaten Brebes ditunjukkan pada

Tabel 2.

Berdasarkan data kependudukan sebagaimana

tercantum pada Tabel 2, dapat diasumsikan

bahwa peningkatan jumlah penduduk dan PDRB Kabupaten Brebes dapat dilakukan.

Asumsi peningkatan jumlah penduduk dan

PDRB Kabupaten Brebes dapat dilihat pada Tabel 3.

TABEL 1. Beban puncak gardu induk Bumiayu

No. Tahun Beban Puncak (MW)

Transformator Tenaga I Transformator Tenaga II

1 2010 7,5 20,6

2 2011 9,7 22,6

3 2012 11,3 31,4

4 2013 10,1 17,9

5 2014 11,1 19,4

6 2015 13,3 23,5

7 2016 28,9 22,1

8 2017 27,1 22,4

8 2018 29,2 24,1

10 2019 30,7 31,1

TABEL 2. Data Penduduk Kabupaten Brebes

No. Tahun

PDRB

(dalam Trilliun Rupiah)

Jumlah Penduduk

(dalam Juta Jiwa)

1 2010 18,98 1,73

2 2011 20,16 1,74

3 2012 22,90 1,74

4 2013 24,67 1,75

5 2014 27,44 1,76

6 2015 30,90 1,77

7 2016 34,45 1,78

8 2017 37,34 1,79

9 2018 38,62 1,79

10 2019 39,07 1,80


149

TABEL 3. Asumsi peningkatan jumlah penduduk dan PDRB Kabupaten Brebes

No. Tahun

PDRB

(dalam Trilliun Rupiah)

Jumlah Penduduk

(dalam Juta Jiwa)

1 2017 41,39 1,79

2 2018 45,88 1,80

3 2019 50,85 1,81

4 2020 56,36 1,81

5 2021 62,47 1,82

6 2022 69,24 1,82

7 2023 76,75 1,83

8 2024 85,07 1,83

9 2025 94,29 1,84

10 2026 104,51 1,84

11 2027 115,84 1,85

Karena penelitian ini lebih difokuskan pada

pelanggan yang dilayani oleh Gardu Induk

Bumiayu maka hasil prediksi dari data PDRB dan data kependudukan akan difokuskan pada

pelanggan yang disuplai listrik oleh dua buah

transformator di Gardu Induk Bumiayu.

Persentase jumlah penduduk yang terlayani Gardu Induk Bumiayu adalah sekitar 26,75%

dari jumlah penduduk Kabupaten Brebes.

Dengan demikian, diasumsikan besarnya PDRB di wilayah yang dilayani Gardu Induk Bumiayu

sebesar 26,75% dari total PDRB Kabupaten

Brebes. Selanjutnya data PDRB dan data

kependudukan dibagi menjadi 2 yaitu wilayah pelayanan transformator 1 dan transformator 2.

Setelah dilakukan perhitungan dengan cermat,

maka diperoleh hasil bahwa sebanyak 59,9% dari total penduduk yang dalam pelayanan daya

listrik oleh Gardu Induk Bumiayu disuplai oleh

transformator tenaga 2, sedangkan 40,1%

sisanya dari penduduk wilayah pelayanan

Gardu Induk Bumiayu disuplai oleh transformator tenaga .

Selanjutnya pengolahan data dilakukan sesuai

dengan prosedur pembentukan jaringan syaraf

tiruan jenis backpropagation. Seperti yang telah disebutkan sebelumnya, data terdiri dari 7 jenis

yang mengacu pada beban puncak

transformator tertinggi setiap tahun dari tahun 2010 hingga 2019. Namun pola masukan yang

dibuat mencapai 7 pola. Hal ini dikarenakan

input X5 diambil dari angka beban puncak

tahun sebelumnya. Selain input X5, input juga terdiri dari X1, X2, X3, X4 dengan target T.

Pengolahan data transformator tenaga 1

ditunjukkan pada Tabel 4 sedangkan pengolahan data transformator tenaga 2

ditunjukkan pada Tabel 5.

TABEL 4. Pengolahan data transformator tenaga 1

Nomor Tahun

Data Masukan

Target X1 X2 X3 X4 X5

1 2010 2,07 2,24 1,79 1,87 8,18 10,98

2 2011 2,19 2,39 1,81 1,87 8,82 11,32

3 2012 2,46 2,65 1,87 1,88 11,31 10,13

4 2013 2,65 2,94 1,88 1,89 10,13 11,12

5 2014 2,94 3,32 1,89 1,90 11,12 13,34

6 2015 3,32 3,70 1,90 1,91 13,34 28,91

7 2016 3,70 4,01 1,91 1,92 28,91 28,91

8 2017 3,71 4,02 1,92 1,93 27,15 27,15

9 2018 3,81 4,09 1,98 1,99 28,79 28,79 10 2019 3,98 4,23 1,99 2,01 29,21 29,21


150

TABEL 5. Pengolahan data transformator tenaga 2

Nomor Tahun

Data Masukan

Target X1 X2 X3 X4 X5

1 2010 2,83 3,12 2,13 2,32 21,25 29,43

2 2011 3,32 3,67 2,78 2,79 23,51 33,14

3 2012 3,67 3,95 2,79 2,81 33,14 17,92

4 2013 3,95 4,40 2,81 2,83 17,92 19,43

5 2014 4,40 4,95 2,83 2,85 19,43 23,51

6 2015 4,95 5,52 2,85 2,86 23,51 22,13

7 2016 5,52 5,92 2,86 2,88 22,13 24,16 8 2017 5,92 6,41 2,88 2,91 24,16 25,11

9 2018 6,14 6,94 2,98 2,99 25,53 25,77

10 2019 6,87 7,32 3,25 3,27 26,09 26,89

Untuk membentuk model jaringan pada

algoritma JST maka data yang terdapat pada

Tabel 4 dan Tabel 5 digunakan sebagai data masukan untuk jaringan syaraf tiruan. Jaringan

yang dibentuk pada penelitian ini merupakan

jaringan multilayer yang terdiri dari 1 lapisan

masukan, 2 lapisan tersembunyi, dan 1 lapisan keluaran. Model jaringan yang baik untuk

transformer1 dan transformer2 adalah jaringan

yang memiliki tingkat akurasi jaringan yang tinggi. Tingkat akurasi ini diperoleh dengan

melakukan berbagai variasi jumlah hidden

layer dan jumlah neuron pada setiap hidden layer. Kemudian ditemukan model jaringan

yang baik untuk penelitian ini adalah model

jaringan yang terdiri dari 30 neuron pada

hidden layer pertama dan 10 neuron pada hidden layer kedua, seperti yang dapat dilihat

pada Gambar 3.

Pelatihan jaringan pada penelitian ini

memperhitungkan parameter learning rate (α).

Nilai default dari tingkat pemahaman ini adalah 0,01. Semakin besar nilai α maka akan

semakin cepat proses pelatihannya. Tetapi jika

α terlalu besar, algoritme menjadi tidak stabil

dan mencapai titik minimum lokal. Selain tingkat pemahaman, parameter lain yang

digunakan adalah momentum. Momentum

yang dimaksud adalah momentum yang digunakan untuk melakukan perubahan bobot

berdasarkan arah gradien pola terakhir dan

pola sebelumnya. Nilai momentum yang digunakan dalam penelitian ini adalah 0,8.

Setelah parameter latih ditetapkan, maka data

latih yang telah dinormalisasi akan dilakukan

oleh perintah pelatihan.

GAMBAR 3. Jaringan multilayer yang terdiri dari 1 lapisan masukan, 2 lapisan tersembunyi, dan 1 lapisan keluaran


151

Pelatihan perambatan-balik dilakukan dengan

mendistribusikan kesalahan dalam satuan

berupa kesalahan untuk menghitung bobot dan

koreksi bias. Pelatihan, atau perubahan bobot dan bias dilakukan secara terus menerus agar

mendapatkan nilai kinerja tujuan yang lebih

kecil dari parameter fungsi kinerja tujuan. Jika fungsi kinerja tujuan tidak terpenuhi, maka

pelatihan akan berhenti pada iterasi maksimum

yang dimasukkan, atau ketika gradien minimum terpenuhi. Atau jika ketiga kondisi

sebelumnya tidak terpenuhi, maka pelatihan

akan berhenti saat mencapai pemeriksaan

validasi.

Berdasarkan proses pelatihan jaringan untuk

transformator tenaga 1, diperoleh bahwa

perubahan bobot jaringan dan bias untuk transformator tenaga 1 dihentikan pada 113

iterasi. Hal ini dikarenakan proses pelatihan

telah mencapai fungsi kinerja tujuan yaitu menghasilkan nilai kinerja tujuan sebesar 9,23

x 10-10, dimana nilai tersebut lebih kecil dari

parameter kinerja tujuan yang ditetapkan yaitu

10-9. Grafik regresi pelatihan jaringan untuk transformator tenaga 1 ditunjukkan pada

Gambar 4.

Berdasarkan grafik pada Gambar 4 terlihat bahwa pelatihan pada jaringan transformator

tenaga 1 memiliki koefisien korelasi (R)

bernilai 1. Hal ini menunjukkan bahwa

pelatihan yang telah dilakukan menghasilkan

parameter yang sangat baik. Koefisien korelasi ini diperoleh berdasarkan mekanisme plot

regresi linier. Setelah proses pelatihan,

selanjutnya dilakukan pencocokan kurva untuk membandingkan kesesuaian antara keluaran

jaringan dengan target pelatihan. Dari hasil

pencocokan kurva ini didapatkan variabel “an” yang merupakan hasil normalisasi. De-

normalisasi adalah proses mengembalikan data

yang dinormalisasi ke data asli.

Selanjutnya dilakukan perbandingan antara nilai target dengan output pelatihan jaringan

yang disajikan dalam bentuk larik (H). Selain

itu, nilai MSE juga ditampilkan yang diperoleh dari rata-rata kuadrat selisih antara target dan

output jaringan dalam proses pelatihan. Hasil

perbandingan menunjukkan bahwa nilai target dengan keluaran pelatihan jaringan memiliki

nilai yang hampir sama, bahkan selisih nilai

antara kedua pola masukan tersebut hampir 0.

Nilai pelatihan MSE yang dihasilkan pada jaringan untuk transformator tenaga 1 adalah

5.7446e-08. Hasil perbandingan tersebut

disajikan dalam bentuk grafik seperti pada Gambar 5.

GAMBAR 4. Grafik regresi pelatihan jaringan untuk

transformator tenaga 1

GAMBAR 5. Perbandingan antara keluaran pelatihan dan target transformator tenaga 1

Pola

Beb

an P

un

cak

(M

W)


152

Selanjutnya, berdasarkan proses pelatihan

jaringan untuk transformator tenaga 2, diperoleh bahwa perubahan bobot jaringan dan

bias transformator tenaga 1 dihentikan pada 67

iterasi. Hal ini dikarenakan proses pelatihan

telah mencapai fungsi kinerja tujuan yaitu menghasilkan nilai kinerja tujuan sebesar

9.43e-10, dimana nilai tersebut lebih kecil dari

parameter kinerja tujuan yang telah ditetapkan yaitu 1e-09. Grafik regresi pelatihan jaringan

untuk transformator tenaga 1 ditunjukkan pada

Gambar 6.

Berdasarkan grafik pada Gambar 6 terlihat

bahwa pelatihan pada jaringan transformator

tenaga 2 memiliki koefisien korelasi (R) yang

bernilai 1. Hal ini menunjukkan bahwa pelatihan yang telah dilakukan menghasilkan

parameter yang sangat baik. Koefisien korelasi

ini diperoleh berdasarkan mekanisme plot regresi linier. Setelah proses pelatihan,

selanjutnya dilakukan pencocokan kurva untuk

membandingkan kesesuaian antara keluaran

jaringan dengan target pelatihan. Dari hasil pencocokan kurva ini didapatkan variabel “an”

yang merupakan hasil normalisasi. De-

normalisasi adalah proses mengembalikan data

yang dinormalisasi ke data asli.

Selanjutnya dilakukan perbandingan antara

nilai target dengan output pelatihan jaringan

yang disajikan dalam bentuk larik (H). Selain itu, nilai MSE juga ditampilkan yang diperoleh

dari rata-rata kuadrat selisih antara target dan

output jaringan dalam proses pelatihan. Hasil perbandingan menunjukkan bahwa nilai target

dengan keluaran pelatihan jaringan memiliki

nilai yang hampir sama, bahkan perbedaan

nilai antara kedua pola masukan tersebut hampir 0. Nilai pelatihan MSE yang dihasilkan

pada jaringan untuk transformator tenaga 2

adalah 3,3414 x 10-08. Hasil perbandingan tersebut disajikan dalam bentuk grafik seperti

pada Gambar 7.

GAMBAR 6. Grafik regresi pelatihan jaringan untuk transformator tenaga 2

GAMBAR 7. Perbandingan antara keluaran pelatihan dan target transformator tenaga 2

GAMBAR 8. Hasil prediksi beban puncak transformator tenaga 1

Pola

Beb

an P

un

cak

(M

W)


153

Hasil prediksi beban puncak transformator

tenaga 1 ditunjukkan pada Tabel 6 dan grafik

pada Gambar 8. Dapat dilihat pada Tabel 6 dan

Gambar 8 yang menunjukkan bahwa prediksi beban puncak transformator tenaga 1

mengalami tren kenaikan setiap tahunnya.. Hal

ini berbanding lurus dengan peningkatan nilai PDRB dan jumlah tenaga kerja yang terlayani

oleh transformator 1. Pada tahun 2027, beban

puncak transformator 1 diprediksi sebesar

33,39 MW. Angka tersebut mencapai 55,65%

dari kapasitas transformator tenaga 1, dan dapat dikategorikan sebagai standar ringan

untuk beban transformator tenaga.

TABEL 6. Hasil prediksi beban puncak transformator tenaga 1

Nomor Tahun

Data Keluaran Beban Puncak

(MW) X1 X2 X3 X4 X5

1 2018 4,01 4,44 1,93 1,92 27,11 28,27

2 2019 4,44 4,92 1,93 1,93 28,27 29,14

3 2020 4,92 5,45 1,93 1,93 29,14 31,21

4 2021 5,45 6,05 1,93 1,93 31,21 31,27

5 2022 6,05 6,70 1,93 1,93 31,27 31,92

6 2023 6,70 7,43 1,94 1,94 31,92 32,09

7 2024 7,43 8,23 1,94 1,94 32,09 32,26 8 2025 8,23 9,13 1,94 1,95 32,26 33,52

9 2026 9,13 10,11 1,95 1,95 33,52 33,43

10 2027 10,12 11,21 1,95 1,95 33,43 33,39

TABEL 7. Hasil prediksi beban puncak transformator tenaga 2

Nomor Tahun

Data Keluaran Beban Puncak

(MW) X1 X2 X3 X4 X5

1 2018 5,98 6,32 2,86 2,88 22,42 21,44

2 2019 6,63 7,35 2,87 2,87 21,44 20,93

3 2020 7,35 8,15 2,87 2,87 20,93 20,92

4 2021 8,15 9,03 2,87 2,89 20,92 21,44

5 2022 9,03 10,01 2,88 2,89 21,44 22,06

6 2023 10,01 11,11 2,88 2,90 22,06 22,41

7 2024 11,11 12,30 2,89 2,90 22,41 22,52

8 2025 12,30 13,63 2,89 2,90 22,62 22,75

9 2026 13,63 15,11 2,89 2,91 22,75 22,95 10 2027 15,11 16,75 2,90 2,92 22,95 23,19

GAMBAR 9. Hasil prediksi beban puncak transformator tenaga 2


154

Hasil prediksi beban puncak transformator

tenaga 2 ditunjukkan pada Tabel 7 dan grafik

pada Gambar 9. Dapat dilihat pada Tabel 7 dan

Gambar 9 yang menunjukkan bahwa prediksi beban puncak transformator tenaga 2

mengalami tren kenaikan setiap tahunnya. Hal

ini berbanding lurus dengan peningkatan nilai PDRB dan jumlah tenaga kerja yang terlayani

oleh transformator 2. Pada tahun 2027,

diprediksi beban puncak transformator 2 sebesar 23,17 MW. Angka tersebut mencapai

77,23% dari kapasitas transformator tenaga 2,

dan dapat dikategorikan sebagai standar yang

wajar untuk beban transformator tenaga.

KESIMPULAN

Dalam penelitian ini, beban puncak

transformator tenaga diprediksi menggunakan

metode neural network tipe propagasi-balik. Hasil prediksi yang telah dibuat untuk periode

2018-2027 menunjukkan adanya trend

kenaikan beban puncak setiap tahunnya. Pada tahun 2027, prediksi beban puncak

transformator sebesar 33,39 MW atau setara

dengan 55,65% dari kapasitas transformator 1,

dan dapat dikategorikan sebagai beban standar transformator ringan. Selain itu pada tahun

2027, beban puncak transformator tenaga 2

diperkirakan sebesar 23,17 MW atau setara dengan 77,23% dari kapasitas transformator

tenaga 2, dan dapat dikategorikan sebagai

beban standar transformator yang optimal.

UCAPAN TERIMAKASIH

Penulis menyampaikan terima kasih dan

penghargaan kepada Universitas

Muhammadiyah Yogyakarta atas

kontribusinya dalam penelitian ini.

DAFTAR PUSTAKA

Afrasiabi, M., Mohammadi, M., Rastegar, M.,

Stankovic, L., Afrasiabi, S. (2020).

Deep-Based Conditional Probability

Density Function Forecasting of Residential Loads. IEEE Transactions

on Smart Grid, Vol. 11, Issue 4, July

2020, pp. 3646 – 3657.

Alfieri, L., Falco, P.D. (2020). Wavelet-Based

Decompositions in Probabilistic Load

Forecasting. IEEE Transactions on

Smart Grid, Vol. 11, Issue 2, March 2020, pp. 1367 – 1376.

Anonim. (2019). Statistik PLN 2018.

Sekretaris Perusahaan PT PLN (Persero), Jakarta.

Cao, Z., Wan, C., Zhang, Z., Li, F., Song, Y.

(2020). Hybrid Ensemble Deep Learning for Deterministic and

Probabilistic Low-Voltage Load

Forecasting. IEEE Transactions on

Power Systems, Vol. 35, Issue 3, May 2020, pp. 1881 – 1897.

Chen, K., Chen, K., Wang, Q., He, Z., Hu, J.,

He, J. (2018). Short-Term Load Forecasting With Deep Residual

Networks. IEEE Transactions on Smart

Grid, Vol. 10, Issue 4, July 2019, pp. 3943 – 3952.

Chen, Q., Xia, M., Lu, T., Jiang, X., Liu, W.,

Sun, Q. (2019). Short-Term Load

Forecasting Based on Deep Learning for End-User Transformer Subject to

Volatile Electric Heating Loads. IEEE

Access, Vol. 7, 2019, pp. 162697 - 162707.

Deng, Z., Wang, B., Xu, Y., Xu, T., Liu, C.,

Zhu, Z. (2019). Multi-Scale

Convolutional Neural Network With Time-Cognition for Multi-Step Short-

Term Load Forecasting. IEEE Access,

Vol. 7, 2019, pp. 88058 – 88071.

Feng, C., Sun, M., Zhang, J. (2019).

Reinforced Deterministic and

Probabilistic Load Forecasting via Q -Learning Dynamic Model Selection.

IEEE Transactions on Smart Grid, Vol.

11, Issue 2, March 2020, pp. 1377 –

1386.

Haq, M.R., Ni, Z. (2019). A New Hybrid

Model for Short-Term Electricity Load

Forecasting. IEEE Access, Vol. 7, 2019, pp. 125413 - 125423.

Hong, Y., Zhou, Y., Li, Q., Xu, W., Zheng, X.

(2020). A Deep Learning Method for Short-Term Residential Load

Forecasting in Smart Grid. IEEE

Access, Vol. 8, 2020, pp. 55785 -

55797.


155

Huang, N., Wang, W., Wang, S., Wang, J.,

Cai, G., Zhang, L. (2020). Incorporating

Load Fluctuation in Feature Importance

Profile Clustering for Day-Ahead Aggregated Residential Load

Forecasting. IEEE Access, Vol. 8, 2020,

pp. 25198 – 25209.

Jonan, I. (2019). Rencana Umum

Ketenagalistrikan Nasional 2019-2038,

Kementerian Energi dan Sumber Daya Mineral, Jakarta.

Kong, W., Dong, Z.Y., Hill, D.J., Luo, F., Xu,

Y. (2017). Short-Term Residential Load

Forecasting Based on Resident Behaviour Learning. IEEE Transactions

on Power Systems, Vol. 33, Issue 1, Jan.

2018, pp. 1087 – 1088.

Kong, W., Dong, Z.Y., Jia, Y., Hill, D.J., Xu,

Y., Zhang, Y. (2019). Short-Term

Residential Load Forecasting Based on LSTM Recurrent Neural Network. IEEE

Transactions on Smart Grid, Vol. 10,

Issue 1, Jan. 2019, pp. 841 – 851.

Li, B., Zhang, J., He, Y., Wang, Y. (2017). Short-Term Load-Forecasting Method

Based on Wavelet Decomposition With

Second-Order Gray Neural Network Model Combined With ADF Test. IEEE

Access, Vol. 5, 2017, pp. 16324 -

16331.

Li, T., Wang, Y., Zhang, N. (2019). Combining Probability Density

Forecasts for Power Electrical Loads.

IEEE Transactions on Smart Grid, Vol. 11, Issue 2, March 2020, pp. 1679 –

1690.

Ouyang, T., He, Y., Li, H., Sun, Z., Baek, S. (2019). Modeling and Forecasting

Short-Term Power Load With Copula

Model and Deep Belief Network. IEEE

Transactions on Emerging Topics in Computational Intelligence, Vol. 3,

Issue 2, April 2019, pp. 127 – 136.

Park, K., Yoon, S., Hwang, E. (2019). Hybrid Load Forecasting for Mixed-Use

Complex Based on the Characteristic

Load Decomposition by Pilot Signals. IEEE Access, Vol. 7, 2019, pp. 12297 -

12306.

Siang, J.J. (2009). Jaringan Syaraf Tiruan dan

Pemrogramannya Menggunakan MATLAB. Penerbit ANDI, Yogyakarta.

Syahputra, R., Soesanti, I. (2017a). Modeling

of Wind Power Plant with Doubly-Fed

Induction Generator. Jurnal Teknologi,

Journal of Electrical Technology UMY (JET-UMY), 1(3), pp. 126-134.

Syahputra, R. (2017b). Distribution Network

Optimization Based on Genetic Algorithm. Jurnal Teknologi, Journal of

Electrical Technology UMY (JET-

UMY), 1(1), pp. 1-9.

Tamizharasi, G. (2014). Energy Forecasting

using Artificial Neural Networks.

IJAREEIE, Vol. 3, Issue 3. March 2014,

pp. 7568-7576.

Wang, Y., Chen, Q., Zhang, N., Wang, Y.

(2018a). Conditional Residual Modeling

for Probabilistic Load Forecasting. IEEE Transactions on Power Systems, Vol.

33, Issue 6, Nov. 2018, pp. 7327 – 7330.

Wang, Y., Chen, Q., Sun, M., Kang, C., Xia, Q. (2018b). An Ensemble Forecasting

Method for the Aggregated Load With

Subprofiles. IEEE Transactions on

Smart Grid, Vol. 9, Issue 4, July 2018, pp. 3906 – 3908.s

PENULIS :

Ramadoni Syahputra

Program Studi Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah

Yogyakarta, Yogyakarta.

Email: [email protected]

Febrian Dhimas Syahfitra

Program Studi Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah


Karisma Trinanda Putra

Program Studi Teknik Elektro, Fakultas

Teknik, Universitas Muhammadiyah


Indah Soesanti

Departemen Teknik Elektro dan Teknologi

Informasi, Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta.

Email: [email protected]

prediksi beban listrik menggunakan algoritma jaringan

Documents